文献
J-GLOBAL ID:202202226408543962   整理番号:22A0630184

リモートセンシング画像の道路セグメンテーションのための敵対自己訓練による段階的教師なし領域適応【JST・京大機械翻訳】

Stagewise Unsupervised Domain Adaptation With Adversarial Self-Training for Road Segmentation of Remote-Sensing Images
著者 (4件):
資料名:
巻: 60  ページ: ROMBUNNO.5609413.1-13  発行年: 2022年 
JST資料番号: H0016B  ISSN: 0196-2892  CODEN: IGRSD2  資料種別: 逐次刊行物 (A)
記事区分: 原著論文  発行国: アメリカ合衆国 (USA)  言語: 英語 (EN)
抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
遠隔センシング画像からの道路セグメンテーションは,広範囲のアプリケーションポテンシャルを有する挑戦的なタスクである。深層ニューラルネットワークは,大規模ラベル付きデータの電力を活用することにより,この分野を進歩させたが,しかし,それは,非常に高価で,時間がかかる。1つの解決策は,モデルを訓練し,特定のアプリケーション領域からデータを直接処理するために,安価な利用可能なデータを使用することである。それにもかかわらず,よく知られたドメインシフト(DS)問題は,訓練されたモデルをターゲットドメインでよく一般化することを妨げる。本論文では,この分野におけるDS問題に取り組むために,ロードDAと呼ばれる新しい段階的ドメイン適応モデルを提案した。第一段階では,道路DAは,生成敵対ネットワーク(GANs)ベースのドメイン間適応を介して,ソースと整列するようにターゲットドメイン特徴を適応させる。特に,特徴ピラミッド融合モジュールを考案し,長くて薄い道路の情報損失を避け,識別的でロバストな特徴を学習した。さらに,ターゲット領域におけるドメイン内不一致に取り組むために,第2段階で,敵対的自己訓練法を提案した。訓練された発生器を用いてターゲット領域の擬似ラベルを生成し,それをラベル付きの容易な分割とラベル付きのハード分割に,道路信頼スコアに基づいて分割する。ハードスプリットの特徴を,敵対学習を用いて,容易なものに整列させるために適応し,ドメイン内適応プロセスを繰り返して,セグメンテーション性能を徐々に改善した。2つのベンチマークに関する実験結果は,ロードDAがドメインギャップを効率的に減らし,最先端の方法より優れていることを実証した。コードはhttps://github.com/LANMNG/RoadDAで利用可能である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。

準シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
, 【Automatic Indexing@JST】
分類 (1件):
分類
JSTが定めた文献の分類名称とコードです
人工知能 

前のページに戻る